| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 设备健康管理现状 | 第8-10页 |
| 1.2 智能制造背景下基于PHM技术的设备健康管理 | 第10-12页 |
| 1.2.1 PHM技术 | 第10-11页 |
| 1.2.2 PHM技术在企业设备健康管理中的作用 | 第11-12页 |
| 1.3 研究内容和创新点 | 第12-15页 |
| 1.3.1 研究内容 | 第12-13页 |
| 1.3.2 创新点 | 第13-15页 |
| 第2章 数据驱动下的滚动轴承可预测性维护管理方案 | 第15-27页 |
| 2.1 滚动轴承失效形式 | 第15-16页 |
| 2.2 滚动轴承可预测性维护管理方案 | 第16-18页 |
| 2.3 实验平台及振动信号采集 | 第18-19页 |
| 2.4 振动信号预处理 | 第19-23页 |
| 2.4.1 时域特征提取方法 | 第20-21页 |
| 2.4.2 频域特征提取方法 | 第21页 |
| 2.4.3 时频域特征提取方法 | 第21-23页 |
| 2.5 故障识别模型构建 | 第23-24页 |
| 2.6 剩余寿命预测模型构建 | 第24-26页 |
| 2.7 本章小结 | 第26-27页 |
| 第3章 基于深度学习的滚动轴承故障识别 | 第27-45页 |
| 3.1 深度学习模型 | 第27-34页 |
| 3.1.1 栈式自编码器 | 第27-29页 |
| 3.1.2 深度玻尔兹曼机 | 第29-33页 |
| 3.1.3 深度信念网络 | 第33-34页 |
| 3.2 深度学习模型应用 | 第34-37页 |
| 3.2.1 实验方案设计 | 第34-35页 |
| 3.2.2 故障模式定义与样本采集 | 第35-36页 |
| 3.2.3 滚动轴承振动信号特征提取 | 第36页 |
| 3.2.4 诊断结果与分析 | 第36-37页 |
| 3.3 参数挖掘与实验结果分析 | 第37-43页 |
| 3.3.1 模型参数设置 | 第37页 |
| 3.3.2 参数挖掘与分析 | 第37-43页 |
| 3.4 最优参数下实验结果与分析 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于辅助粒子滤波器的滚动轴承剩余寿命预测 | 第45-61页 |
| 4.1 辅助粒子滤波器 | 第45-52页 |
| 4.1.1 粒子滤波算法 | 第45-50页 |
| 4.1.2 辅助粒子滤波算法 | 第50-52页 |
| 4.2 基于辅助粒子滤波器的滚动轴承剩余寿命预测 | 第52-58页 |
| 4.2.1 滚动轴承寿命衰退指标选择 | 第53-56页 |
| 4.2.2 状态空间模型构建 | 第56-57页 |
| 4.2.3 滚动轴承寿命预测 | 第57-58页 |
| 4.3 实验结果与分析 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 致谢 | 第66-67页 |
| 在学期间发表论文及参加课题情况 | 第67页 |